Upload 3 files

Dockerfile

@@ -1,16 +1,19 @@
-# Usa una imagen base de Python
-FROM python:3.9
-# Establece el directorio de trabajo
-WORKDIR /code
+# Imagen base de Python
+FROM python:3.9-slim
 
-# Copia los archivos necesarios al contenedor
-COPY ./requirements.txt /code/requirements.txt
-RUN pip install --no-cache-dir -r /code/requirements.txt
-RUN pip install fastapi uvicorn
+# Establecer el directorio de trabajo
+WORKDIR /app
 
-COPY . .
+# Copiar los archivos necesarios a la imagen
+COPY app.py /app
+COPY model.h5 /app
+COPY requirements.txt /app
 
-RUN chmod -R 777 /code
+# Instalar dependencias
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Exponer el puerto 8000
+EXPOSE 8000
 
 # Comando para ejecutar la aplicación
-CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]

app.py

@@ -1,45 +1,44 @@
-import pandas as pd
-import tensorflow as tf
-from keras.models import Sequential, model_from_json
-from keras.layers import InputLayer, Dense
 from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
+import tensorflow as tf
 import numpy as np
-from typing import List
-
-class InputData(BaseModel):
-    data: List[float]
 
+# Inicializar la aplicación FastAPI
 app = FastAPI()
 
-# Cargar y procesar datos desde titanic-train.csv
-def load_data():
+# Cargar el modelo
+model = tf.keras.models.load_model("model.h5")
+
+# Clase para los datos de entrada
+class PredictionInput(BaseModel):
+    pclass: int
+    gender: str  # "male" o "female"
+    age: float
+    sibsp: int
+    parch: int
+    fare: float
+
+# Función de preprocesamiento
+def preprocess_input(data: PredictionInput):
+    # Convertir género a un valor numérico
+    gender = 1 if data.gender.lower() == "female" else 0
+    
+    # Crear array con los datos procesados
+    input_data = np.array([[data.pclass, gender, data.age, data.sibsp, data.parch, data.fare]])
+    
+    return input_data
+
+# Endpoint de predicción
+@app.post("/predict")
+async def predict(data: PredictionInput):
     try:
-        df = pd.read_csv("titanic-train.csv")
-
-        return df
-    except Exception as e:
-        raise HTTPException(status_code=500, detail=f"Error cargando los datos: {str(e)}")
-
-
-def load_model():
-    with open("model.json", "r") as json_file:
-        model_config = json_file.read()
-    model = tf.keras.models.model_from_json(model_config)
-    model.load_weights("model.h5")
-    model.compile(loss="mean_squared_error", optimizer="adam", metrics=["binary_accuracy"])
-    return model
-
-model = load_model()
-data = load_data()  # Cargar y almacenar los datos al iniciar la aplicación
-
-# Ruta de predicción
-@app.post("/predict/")
-async def predict(data: InputData):
-    try:
-        input_data = np.array(data.data).reshape(1, -1)
-        prediction = model.predict(input_data).round()
-        return {"prediction": prediction.tolist()}
+        # Preprocesar los datos de entrada
+        input_data = preprocess_input(data)
+        
+        # Realizar la predicción
+        prediction = model.predict(input_data)
+        
+        # Devolver el resultado en un diccionario
+        return {"survived_probability": float(prediction[0][0])}
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
-

requirements.txt

@@ -1,7 +1,4 @@
-keras==2.4.3
-tensorflow==2.4.1
-fastapi
-numpy
-pydantic
-uvicorn
-pandas
+fastapi==0.88.0
+uvicorn==0.20.0
+tensorflow==2.15.0
+numpy==1.24.3